Critical Regularizations for Neural Surface Reconstruction in the Wild

要約

近年，ニューラル・インプリシット関数は，複数視点からの表面再構成において有望な結果を示している．しかし、現在の手法は、非拘束または複雑なシーンを再構成する際に、依然として過度の時間複雑性と低いロバスト性に悩まされている。本論文では，適切な点群監視と幾何学的正則化により，高品質でロバストな再構成結果が得られることを示したRegSDFを紹介する．具体的には、RegSDFは追加配向点群を入力とし、微分可能なレンダリングフレームワーク内で符号付き距離フィールドと表面光フィールドを最適化する。また、この最適化のために重要な2つの正則化を紹介します。1つ目の正則化は、ノイズの多い不完全な入力に対して、符号付き距離値を距離場全体に滑らかに拡散させるヘシアン正則化である。また、2つ目の正則化は、欠落した形状をコンパクトに補間・外挿する最小曲面正則化である。DTU、BlendedMVS、Tanks and Templesの各データセットで広範な実験を行った。RegSDFは、最近のニューラル表面再構成アプローチと比較して、複雑なトポロジーや非構造的なカメラ軌道を持つオープンシーンに対しても、詳細な表面再構成が可能であることがわかった。

要約(オリジナル)

Neural implicit functions have recently shown promising results on surface reconstructions from multiple views. However, current methods still suffer from excessive time complexity and poor robustness when reconstructing unbounded or complex scenes. In this paper, we present RegSDF, which shows that proper point cloud supervisions and geometry regularizations are sufficient to produce high-quality and robust reconstruction results. Specifically, RegSDF takes an additional oriented point cloud as input, and optimizes a signed distance field and a surface light field within a differentiable rendering framework. We also introduce the two critical regularizations for this optimization. The first one is the Hessian regularization that smoothly diffuses the signed distance values to the entire distance field given noisy and incomplete input. And the second one is the minimal surface regularization that compactly interpolates and extrapolates the missing geometry. Extensive experiments are conducted on DTU, BlendedMVS, and Tanks and Temples datasets. Compared with recent neural surface reconstruction approaches, RegSDF is able to reconstruct surfaces with fine details even for open scenes with complex topologies and unstructured camera trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL